Python学习（十四）pandas库入门手册

• 官网所在： https://pandas.pydata.org/
  

什么是pandas？
pandas 是 Python 中一个强盛的 数据处置处罚和分析库，广泛应用于 数据洗濯、转换、分析 和 可视化 等范畴。它提供了搞笑的数据布局（如 DataFrame 和 Series），使得处置处罚布局化数据变得简单而高效。本文将具体先容 pandas 的核心功能和使用方法，资助你快速把握这一工具。
pandas 的特点如下：

• 高效的数据布局： Series 和 DataFrame 提供了机动的数据使用方式。
  
• 强盛的数据处置处罚本领： 支持数据洗濯、转换、分析和可视化。
  
• 丰富的文件格式支持： 可以轻松读取和写入 CSV、Excel、JSON 等文件格式。
  

---

一、安装与导入

安装：
在开始使用 pandas 之前，须要先举行安装。可以通过以下下令安装：

1. pip install pandas

复制代码

导入：
安装完成后，在代码中导入 pandas：

1. import pandas as pd

复制代码

---

二、核心数据布局

pandas 的紧张数据布局是：Series（一维数据） 和 DataFrame（二维数据）。
2.1 Series 范例（一维数组）

Series 是一个一维数组，可以 存储恣意范例的数据（如整数、字符串、浮点数等），并带有索引。
创建 Series：

• 语法：pandas.Series([对象1, 对象2])
  

1. import pandas as pd
2. # 从列表创建 Seriess = pd.Series([1, 3, 5, 7, 9])print(s)

复制代码

实验效果：

访问 Series：

1. # 通过索引访问数据
2. print(s[0]) # 输出 1
4. # 通过位置访问数据
5. print(s.iloc[1]) # 输出 3

复制代码

实验效果：

2.2 DataFrame 范例（二维数组）

DataFrame 是一个二维表格数据布局，类似于 Excel 表格或 SQL 表。它由行和列构成，每列可以是差别的数据范例。
创建 DataFrame：

1. # 从字典创建 DataFrame
2. data = {
3.     "Name": ["Alice", "Bob", "Charlie"],
4.     "Age": [25, 30, 35],
5.     "City": ["New York", "Los Angeles", "Chicago"]
6. }
7. df = pd.DataFrame(data)
8. print(df)

复制代码

实验效果：

访问 DataFrame：

1. # 访问列
2. print(df["Name"]) # 输出 Name 列
3. print("==============")
5. # 访问行
6. print(df.iloc[0]) # 输出第一行

复制代码

实验效果：

---

三、数据读取与写入

pandas 支持从多种文件格式读取数据，并将数据写入这些格式。
3.1 读取 CSV 和 Excel 文件

读取 CSV 文件：

1. df = pd.read_csv("data.csv")
2. print(df.head())

复制代码

csv内容如下：

1. "Name","Age","City"
2. Alice,25,New York
3. Bob,30,Los Angeles
4. Charlie,35,Chicago

复制代码

实验效果：

读取 Excel 文件：

1. df = pd.read_excel("data.xlsx", sheet_name="Sheet1")
2. print(df.head())

复制代码

Excel 内容如下：

实验效果：

3.2 写入数据

写入 CSV 文件：

1. df.to_csv("output.csv", index=False)

复制代码

写入 Excel 文件：

1. df.to_excel("output.xlsx", sheet_name="Sheet1", index=False)

复制代码

---

四、数据洗濯与处置处罚

4.1 处置处罚缺失值

1. # 检查缺失项
2. print(df.isnull())
4. # 填充缺失值
5. df_filled = df.fillna(0) # 用 0 填充缺失值
7. # 删除包含缺失值的行
8. df_dropped = df.ropna()

复制代码

4.2 数据筛选

1. # 筛选 Age 大于 30 的行
2. df_filtered = df[df["Age"] > 30]
3. print(df_filtered)

复制代码

实验效果：

4.3 数据排序

1. # 按 Age 列升序排序
2. df_sorted = df.sort_values(by="Age")
3. print(df_sorted)

复制代码

实验效果：

---

五、数据分析

5.1 统计形貌

1. # 查看数据的基本统计信息
2. print(df.describe())

复制代码

实验效果：

5.2 分组聚合

1. # 按 City 分组并计算平均年龄
2. df_grouped = df.groupby("City")["Age"].mean()
3. print(df_grouped)

复制代码

实验效果：

5.3 数据透视表

1. # 创建数据透视表
2. df_pivot = df.pivot_table(index="City", values="Age", aggfunc="mean")
3. print(df_pivot)

复制代码

实验效果：

---

六、数据可视化

pandas 联合 matplotlib 可以方便地举行数据可视化。
安装下令：

1. pip install matplotlib

复制代码

示例：绘制柱状图

1. import matplotlib.pyplot as plt
3. # 绘制 Age 列地柱状图
4. df["Age"].plot(kind="bar")
5. plt.show()

复制代码

实验效果：

---

七、高级功能

7.1 归并数据

1. # 合并两个 DataFrame
2. df1 = pd.DataFrame({"A": [1, 2], "B": [3, 4]})
3. df2 = pd.DataFrame({"A": [5, 6], "B": [7, 8]})
4. df_merged = pd.concat([df1, df2])
5. print(df_merged)

复制代码

实验效果：

7.2 处置处罚时间序列

1. # 创建时间序列
2. dates = pd.date_range("20230101", periods=6)
3. df_time = pd.DataFrame({"Date": dates, "Value": [1, 2, 3, 4, 5, 6]})
4. print(df_time)

复制代码

实验效果：

整理完毕，完结撒花~ 🌻





参考所在：
1.pandas用法-全网最具体教程，https://blog.csdn.net/Strive_For_Future/article/details/126710810

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。